文档介绍：第 43 卷第 5 期复旦学报( 自然科学版) Vol. 43 No . 5
2004 年 10 月 Journal of Fudan U niversity ( Natural Science) O ct. 2004
文章编号: 0427- 7104( 2004) 05- 0781- 04
基于多类支持向量机的遥感图像分类
及其半监督式改进策略
祁亨年1, 2, 杨建刚2, 方陆明1
( 1. 浙江林学院信息工程学院, 临安 311300; 2. 浙江大学人工智能研究所, 杭州 310027)
摘要: 基于神经网络的遥感图像分类取得了较好的效果, 但存在固有的过学习、易陷入局部极小等缺点. 支持
向量机机器学习方法, 根据结构风险最小化( SR M ) 原理, 表现出很多优于其他传统方法的性能, 本研究的基于多
类支持向量机分类器的遥感图像分类取得了达 95. 4% 的分类精度. 但由于遥感图像分类类别多, 所需训练样本
较大, 人工选择效率较低, 为此提出以人工选择初始聚类质心、C 均值模糊聚类算法自动标注训练样本的基于多
类支持向量机的半监督式遥感图像分类方法, 期望能在获得适用的分类精度的基础上有效提高分类效率.
关键词: 遥感图像; 分类; 支持向量机; 模糊聚类
中图分类号: T P 391. 4; T P 75 文献标识码: A
遥感图像计算机分类是遥感技术应用的一个重要组成部分, 神经网络等机器学习方法很早就被应用
到遥感影像的分类中, 如章杨清等( 1994) 探讨了利用分维向量改进神经网络在遥感模式识别中的分类精
度问题, 取得了较好的效果[ 1] . 但由于神经网络方法固有的理论上的不足, 网络结构和参数的选择没有充
足的理论依据, 并且存在过学习、易陷入局部极小点等问题使得对经验性因素依赖较大.
支持向量机( Support Vector M achine, SVM ) 是基于统计学习理论的一种新的机器学习方法. 统计学
习理论是一种专门研究小样本情况下机器学习规律的理论[ 2] , 基于此理论发展的 SVM 通用学习方法, 由
于基于结构风险最小化( SRM ) 原理, 对实际应用中有限训练样本的问题, 表现出很多优于已有方法的性
能, 取得了大量的研究成果, 推动了各领域的发展.
本研究通过大量的人工对照判别样本点形成训练集, 训练支持向量机进行遥感影像分类, 取得了很好
的分类精度; 但由于这种纯监督支持向量机方法需要大量的人工判读的训练样本, 实际应用效率不能令人
满意, 因此提出了半监督式支持向量机遥感图像分类策略.
1 多类支持向量机
机器学习目的是使期望风险最小, 由于可以利用的信息只有有限样本, 传统的学习方法中采用了经验
风险最小化( ERM) 准则. 而根据统计学习理论的研究, 不仅要使经验风险最小, 还要使 VC 维尽量小以缩
小置信范围[ 3] , 才能取得较小的实际风险, 即 SRM 准则. SVM [ 4~ 7] 正是依据 SRM 理论从线性可分情况下
的最优分类面发展而来的. 对于两类线性可分情况, 按照 SRM 的要求, SVM 学面不仅
能将两类训练样本正确分开, 而且是使分类间隔最大